状态估计算法

1. 电力系统抗差状态估计的算法包括

电力系统抗差状态估计的算法包括：M估计、GM估计、高崩溃污染率估计等，这些方法可称虚斗宽为电力系统抗差状态估计经典方法。

电力系统：电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能，再经输电、变电和配电将电能供应到各用户。

为实现这一功能，电力系统在各个环节和不同层次还具有相应的信息与控制系统，对电能的生产过程进行测量、调节、控制、保护、通信和调度，以保证用户获得安全、优质的电能。

电力系统状态估计按方式可分为静态状态估计和动态状态估计两种类型。

动态状态估计能实时提供系统运行状态的预测值和估计值，为实现电网实时调度、安全评估和预测控制等在线功能提供有效的数据保障，能更好地描述电力系统 的本质，因此在近年来受到了广泛关注。但由于电力系统动态状态估计一直停留在理论阶段，其工程价值还有待考究。

获取电压和角度只是潮流计算的功能之一，除此之外，还有如下常用功能：

1、运行方式校核。通常需要对日前的发电计划，根据预测负荷进行潮流计算，核验是否有安全越限。与此类似的电网规划和网络重构等，也都需要潮流计算进行校核。

2、合环电流计算。部分电力公差亮司要求潮流计算还应具备合环电流计算的功销悔能，以便于进行合环操作指导。

因此可以看出，这2个功能是状态估计无法完成的。

2. 开源人形机器人SimpleMan5-状态估计算法

开源人形机器人SimpleMan5的状态估计算法是控制的关键，尤其在高度控制和实时性上。状态估计不仅对无人机，也对四足机器人和人形机器人至关重要。无人机高度控制中的难点在于处理气压计测量的滞后和融合加速度计，通过精确标定传感器和使用如Pixhawk的EKF或UKF方法，可以实现更稳定、实时的高度估计。对于四足机器人，如SimpleMan5，状态估计依赖加速度计、陀螺仪和足端运动学数据，其中姿态解算和误差建模是关键。对于双足机器人，如SimpleMan5采用的虚拟腿技术简化了状态估计，但需要注意质心位置的不同以及姿态变化对测量的影响。总的来说，核心问题在于加速度分解的准确性、接触状态判断和对机器人运动特性的理解。

3. 概率图模型-有向图：贝叶斯滤波（Bayesian Filtering）

贝叶斯滤波在概率图模型有向图中是一种基于贝叶斯定理进行状态估计的经典算法。其核心内容和特点如下：

• 起源与关联：贝叶斯滤波的起源虽难以精确追溯，但它与Joseph L. Doob的随机过程理论有一定的关联。在1960年，R. E. Kalman提出了卡尔曼滤波，这是贝叶斯滤波在线性假设和正态分布下的一个特例。

• 核心目标：贝叶斯滤波的核心目标是计算后验概率分布，即在给定历史观测信息的情况下，预测当前状态的概率分布。

• 核心步骤：

  • 预测步：使用状态转移方程来预测下一时刻的状态分布，这一步基于系统的动态模型。
  • 测量更新步：利用新的观测信息来更新预测后的状态分布，得到更精确的后验概率分布。

• 算法推导：贝叶斯滤波的算法推导涉及对预测步和更新步的详细数学处理，包括积分运算以得到归一化常数。

• 实际应用：贝叶斯滤波在机器人导航等动态环境信息处理问题中有广泛应用。在这些应用中，预测和更新步骤考虑了时间推移对隐状态的影响，即使没有控制动作，环境变化也会改变隐状态，从而使算法能够适应动态环境的变化。

• 总结：贝叶斯滤波是一种根据已知观测结果计算隐状态后验分布的统计方法，它适用于处理动态环境中的信息处理问题，如机器人导航等。